多模态大模型首次实现像素级推理！3B参数超越72B传统模型，NeurIPS 2025收录
多模态大模型首次实现像素级推理！3B参数超越72B传统模型，NeurIPS 2025收录多模态大模型首次实现像素级推理，指代、分割、推理三大任务一网打尽！
来自主题: AI技术研报
9603 点击 2025-10-17 10:01
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
多模态大模型首次实现像素级推理，指代、分割、推理三大任务一网打尽！
李飞飞的世界模型创业，最新成果来了！刚刚，教母亲自宣布对外推出全新模型RTFM（A Real-Time Frame Model），不仅具备实时运行、持久性和3D一致性，更关键的是——单张H100 GPU就能跑。
Reve AI 是一家 2023 年 12 月才建立的加州 AI 初创公司，他们在 2025 年 3 月推出了第一个生图模型叫 Reve Image 1.0，内部代号是「Halfmoon」。6 个月过后，再次升级该模型为「图像编辑模型」。
Anthropic用Haiku 4.5打响了AI性价比之战！曾经的顶配性能，如今以三分之一的价格、两倍的速度下放，可以说是对高价AI模型的一次降维打击。
谷歌凌晨更新Veo 3.1，主打更强叙事与音频控制、首尾帧与多图参考等精控，接入Gemini API与Vertex AI，Flow与Gemini可用。可合成多人物场景、音画同步，片段最长约148秒；规格至1080p/24fps。
基础模型（FM）是一种在海量数据上训练的人工智能系统，具备强大的通用性和跨模态能力。港科大最新发表的论文显示：FM可能引领科学进入第五范式，但大模型的偏见、幻觉等问题仍需正视。
四十年前，他说：「计算机永远不会思考」。四十年后，AI开始拒绝指令、撒谎、反思、甚至「自我保护」。哲学家约翰·塞尔——「中文屋」思想实验的作者、AI怀疑论的旗手，却在去世的那一周，被时代反讽。他花一生质问机器是否真正「理解」，而如今，机器反问我们：你们的理解，又凭什么是真实的？
正如前几天网上泄露与传闻所预料的那样，深夜，谷歌发布了最新的 AI 视频生成模型 Veo 3.1。Veo 3.1 带来了更丰富的音频、叙事控制，以及更逼真的质感还原。在 Veo 3 的基础上，Veo 3.1 进一步提升了提示词遵循度，并在以图生视频时提供更高的视听质量。
智东西10月15日报道，今日，阿里通义千问团队推出其最强视觉语言模型系列Qwen3-VL的4B与8B版本，两个尺寸均提供Instruct与Thinking版本，在几十项权威基准测评中超越Gemini 2.5 Flash Lite、GPT-5 Nano等同级别顶尖模型。
前端UI的工作，被谷歌AI一夜干没了。 就在最新能力展示中，Gemini 3.0 Pro居然自己“捏”出了一个macOS。